优化问题
优化问题最终可以归结为:
minimize f0(x) f 0 ( x )
subject to fi(x)≤0 f i ( x ) ≤ 0
subject to hj(x)=0 h j ( x ) = 0
对于常规的优化问题,使用常规的求导或优化算法就可以解决。但是,对于一些“多峰”的函数,这些常规的算法就很难求解,这时候就需要求助于一些启发式的优化算法。
遗传算法简介
遗传算法是一类借鉴生物界的进化规律(适者生存,优胜劣汰的遗传机制)演化而来的自适应概率性随机化迭代搜索算法。
类似于生物的进化过程,遗传算法处理的是变量集合的编码而非变量本身。它直接对结构对象进行操作,不存在求导和函数连续性的界定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应的调整搜索方向,不需要确定规则。遗传算法的这些特点已被人们广泛的应用于组合优化、机器学习、信号处理、自适应控制和人工生命领域。它是现代有关智能计算中的关键技术之一。
遗传算法的基本流程:
遗传算法例子
准备要去野游 1 个月,但是你只能背一个限重 30 公斤的背包。现在你有不同的必需物品,它们每一个都有自己的「生存点数」(具体在下表中已给出ÿ